一种基于物联网的海上风电作业安全智能监管平台及监管方法与流程
本发明属于海上风电作业安全监管,具体涉及一种基于物联网的海上风电作业安全智能监管平台及监管方法。
背景技术:
1、海上风电场通常位于距离陆地十公里至上百公里的海域,常年面临台风、暴雨、大浪、涌流等复杂恶劣海洋环境,作业人员在进行风机安装、叶片维修、升压站巡检等高处与水面交叉作业时暴露于落水、坠落、中暑、物体打击等多重安全风险之下。随着海上风电向大规模、深远海方向发展,作业窗口期分散、单次出海时间长、应急响应通达性差等特征进一步放大了安全管理的难度。在传统管理模式下,对人员违章行为的识别主要依赖安全管理人员现场巡查或远程视频人工轮巡,不仅人力成本高且难以实现全天候连续监控;对人员生命体征的掌握仅依靠岗前体检和作业过程中偶发的人为问询,无法捕捉渐进性健康异常的前兆;发生人员落水等紧急事件时,报警往往依赖目击或携带式无线对讲设备,落水定位精度差、响应延迟严重,易错失最佳救援时机;在对救援力量进行调度时,通常由指挥人员根据经验基于最近距离或单因素判断派遣交通艇或直升机,缺乏对实时风速、浪高、涌流等环境风险的动态综合权衡,容易导致救援单元自身陷入高危险区域;在场区水面安全管理方面,对异常逗留或非法闯入的船只多采用固定地理围栏或人为划定禁区的方式,无法有效区分正常航行船舶与真正具有威胁的异常船只,造成误报频繁、识别不及时。综上,海上风电作业安全监管所面临的核心技术问题在于:如何在海上网络带宽受限、环境变化剧烈的条件下,实现对作业人员违章行为的持续准确识别、对生命体征的主动预测预警、对落水事件的瞬态感知与精准定位、对救援资源的多目标优化调度以及对异常船只的在线自动识别与驱离,从而构建一个具备边缘智能分析能力和中心协同决策能力的全过程安全监管体系。
2、针对海上风电作业安全监管的需求,现有技术已经尝试引入物联网、可穿戴设备和人工智能算法。在违章行为识别方面,通常采用基于深度卷积神经网络的图像分类或目标检测模型,利用大样本离线条标注图像完成一次性训练后,将模型固化部署于监控摄像设备或现场处理单元,以固定置信度阈值直接判定违章;当模型对新出现的光照条件、拍摄角度、遮挡情形表现出适应性不足时,一般通过定期收集现场数据返回中心服务器重新训练并整体替换模型。在人员健康监测方面,大量方案使用智能手环或手表采集心率、体温等单一或少数几种生命体征,设定静态上下限阈值,当实时测量值超出预设安全区间时产生告警,并通过无线通信模块将告警信息发送至中控平台。在落水报警与定位方面,较常见的技术是选用水浸传感器结合手动或遇水自动触发式救生衣,通过独立的水声通信模块或卫星定位装置发出求救信号。在视频监控异常检测方面,多采用背景减除、光流运动检测或简单的自动编码器重构残差分析,对常规作业图像建模后根据重构误差是否超出经验固定阈值判断异常。在海上救援调度方面,常规技术多为基于最近距离原则的贪心派遣策略,即当接到求救信号后,计算各个可用救援单元与遇险位置的距离,依次派遣距离最近的单元,较少综合纳入当前气象水文要素进行多目标权衡。在船舶异常识别方面,常见做法是依据ais数据设置固定地理围栏,一旦船舶驶入禁入区域即触发告警,或者依靠人工查核船舶航行轨迹。
3、然而,上述现有技术手段存在一系列不可忽视的缺点。第一,违章识别模型在一次性离线条训练后即被冻结,而海上环境光照、盐雾覆盖、设备振动等导致采集图像持续发生分布漂移,固定模型在部署中后期准确率显著衰退、误报和漏报率大幅上升;定期集中重训则存在滞后性,无法及时适应现场变化,且边缘设备重新上报数据会消耗本就稀缺的海上通信带宽。第二,生命体征监测仅设置静态阈值,只有当实际生理指标已经越过危险界限时才触发报警,无法对缓慢演进的中暑等风险进行前瞻性预报,预警滞后期明显,且缺少从历史序列中学习个体基线变化的能力。第三,落水响应方案往往依赖于独立通信链路,通信功率和天线受浸水影响易失效,落水定位信息的精确度和可靠度不高,且难以与后续救援调度自动衔接形成闭环。第四,视频重构误差检测普遍采用固定阈值,在面对季节性和昼夜差异等正常工况波动时误报率较高,难以准确区分真实事故和常态变化。第五,基于最近距离的救援调度单纯追求时间最短,完全忽略了救援路径上所经海域的风速、浪高、涌流等动态风险,可能导致救援单元被迫穿越高危险区域,反而整体延误救援或增本次救援的次生风险,且未能提供可供决策者权衡的多种备选方案。第六,固定地理围栏方法将任何进入禁区的船舶一视同仁,无法自适应地辨识在非停泊区长时间低速徘徊等有安全隐患的船舶行为模式,错检和漏检并存,阻碍了对潜在风险的精准管控。因此,本技术的改进方向在于:在边缘端赋予违章识别模型以主动学习能力和增量更新机制,使其能够在低置信度协同条件下利用本地确认样本持续在线升级;同时引入时序预测模型对生命体征进行超前预警,将被动报警变为主动预测;设计多传感器联动与自动充气落水触发机制,结合北斗精确定位实现落水求援秒级闭环;在救援层面采用多目标进化算法自动生成兼顾时间与风险的调度方案并提供帕累托前沿供择优;在场区船舶监管中运用在线密度聚类算法实时捕捉异常活动船只簇;由此构建从端侧智能感知到中心优化决策的全链条协同平台。
4、因此,需要设计一种基于物联网的海上风电作业安全智能监管平台及监管方法来解决上述问题。
技术实现思路
1、本发明的目的是提供一种基于物联网的海上风电作业安全智能监管平台及监管方法,旨在克服海上风电作业中违章识别模型退化、健康风险无法预测及救援调度依赖人工经验的难题,具有边缘增量学习、多目标优化调度与密度聚类异常识别高度融合的特点。
2、为解决上述技术问题,本发明采用的技术方案为:
3、一种基于物联网的海上风电作业安全智能监管平台,包括:
4、风电机组监管模块,包括第一物联网路由、风电机组智能锁、风电机组智能头盔、风电机组智能手环、风电机组智能救生衣和风机视频监控设备;第一物联网路由与风电机组智能头盔和风机视频监控设备通信连接,风电机组智能手环和风电机组智能救生衣分别与风电机组智能头盔蓝牙连接;风电机组智能手环用作风电机组智能锁的解锁钥匙,并用于监测生命体征以在异常时触发求救;风电机组智能救生衣用于在检测到落水时自动充气并触发求救;风电机组智能头盔集成定位和视频采集装置,用于获取位置和施工视频并进行本地ai违章分析;
5、海上升压站监管模块,包括第二物联网路由、升压站智能头盔、升压站智能手环、升压站视频监控设备和水文监测设备;第二物联网路由与升压站智能头盔、升压站视频监控设备和水文监测设备通信连接,升压站智能手环与升压站智能头盔蓝牙连接;升压站智能手环用于监测生命体征以在异常时触发求救;升压站智能头盔集成定位和视频采集装置,用于获取位置和施工视频并进行本地ai违章分析,以及接收并播报预警信息;水文监测设备用于采集气象水文数据
6、海上风电场区监管模块,包括电子围栏、船舶和人员位置监测系统;电子围栏用于捕获异常船只并驱离;船舶和人员位置监测系统用于跟踪船舶和人员位置;
7、陆上集控中心监管模块,包括集控智能手环、集控视频监控设备、集控智能头盔和安防系统;安防系统与集控视频监控设备、电力生产工作票系统、集控智能手环和集控智能头盔通信连接,用于基于电力生产管理系统获取的门禁解锁许可和集控智能手环识别的人员身份控制安防系统启闭。
8、进一步地,所述风电机组智能锁通过所述第一物联网路由接收开锁指令,控制塔筒门的开启或关闭。
9、优选地,风电机组智能头盔包括物联网无线接收器、电池、北斗装置、落水发送器、视频采集装置、ai违章分析装置和蓝牙发汛器件;ai违章分析装置用于对施工视频逐帧识别违章并输出违章置信度:
10、当违章置信度大于或等于第一置信度阈值时,自动记录违章并提示终止违章作业;当违章置信度小于或等于第二置信度阈值时,忽略该帧;当违章置信度介于第一置信度阈值与第二置信度阈值之间时,生成人工确认请求并播报,接收确认标签后,利用所获得的样本对违章识别模型进行增量更新;
11、增量更新采用弹性权重巩固ewc算法,损失函数为:
12、;
13、其中,表示总损失,表示新样本的交叉熵损失,表示模型参数,表示更新前的模型参数,表示参数重要性矩阵的对角元素,表示正则化强度系数。
14、优选地,弹性权重巩固算法通过额外限制重要参数的变化幅度来防止灾难性遗忘,参数重要性由费雪信息矩阵对角元素近似:
15、;
16、其中,为更新前模型对应的代表性样本集,x为输入图像,y为标签,表示更新前参数向量的第i个分量,实际部署时,随机从历史缓冲区中选取,费雪信息矩阵仅需在开始增量学习前离线计算一次,保存后供后续所有ewc更新使用。计算开销低。正则化强度系数根据新样本数量动态调整,新样本越少,取值越大,以更严格地保留旧知识;主动选择的低置信度样本经人工确认后加入新数据集,损失函数如权利要求所述,其优化过程只更新全连接分类层及部分骨干层参数,保持底层特征提取稳定。更新完成后,依据最新模型重新计算一批代表性样本的费雪信息矩阵,以备下次使用。
17、优选地,风电机组智能手环还用于采集心率和体温数据,配置为在检测到异常生命体征指标时触发风电机组智能头盔向监管平台发送求救信号,并同步通知升压站直升机系统进行救援准备,风电机组智能头盔用于运行长短期记忆网络lstm模型。
18、优选地,lstm模型包括输入层、lstm层和输出层,lstm层计算遗忘门输出:
19、;
20、输入门输出:
21、;
22、输出门输出:
23、;
24、候选记忆单元:
25、;
26、更新记忆单元:
27、;
28、隐藏状态:
29、;
30、其中,为第t个时间步输入的特征向量,为第t个时间步的隐藏状态向量,为第t个时间步的记忆单元状态向量,、、、为权重矩阵,、、、为偏置向量,为sigmoid激活函数;输出层将所述隐藏状态映射为预测的未来生理指标值,并在任一预测指标超出预设安全区间时发出健康风险预警。
31、优选地,lstm模型的输入特征包括心率、体温以及其一阶差分,即,以显式提供变化趋势;遗忘门、输入门、输出门及候选记忆单元公式按照前文定义执行。记忆单元更新避免梯度消失的机理在于:遗忘门与输入门的加性更新使得梯度可以沿时间步直接回传。训练时采用均方误差损失函数,优化器为adam,初始学习率0.001,训练至收敛后离线部署于智能头盔微控制器上。推理时每采集一个新的生理数据点,即截取最近m个时间步序列输入lstm,前向传播一次输出未来n步预测。长期运行过程中,每月基于积累的个性化数据对模型进行微调,以适应用户个体差异。
32、进一步地,所述风电机组智能救生衣包括落水检测点和自动充气装置,落水检测点内置进液口和液位传感器,用于在检测到落水时触发自动充气装置进行充气,并通过蓝牙向所述风电机组智能头盔发送求救信号。
33、优选地,风机视频监控设备还用于记录正常运行图像,并利用卷积自编码器对实时采集的图像进行重构,计算重构误差,当连续若干帧的重构误差超出动态阈值时发出告警;所述动态阈值基于正常运行图像重构误差的均值和标准差设定;重构误差采用均方误差计算:
34、;
35、其中,e表示重构误差,n表示图像像素数量,表示输入图像的第j个像素值,表示重构图像的第j个像素值;动态阈值设定为:
36、;
37、其中为正常样本重构误差的均值,为正常样本重构误差的标准差,c为预设系数。
38、进一步地,所述水文监测设备具体用于监测所在海域的气温、气压、风速、风向、浪高、涌流及天气状况;所述升压站智能头盔用于从网络下载气象信息并发布短时和超短时的台风、大风、大浪、强降水、雷电、高温、低温预警信息及对应的预警等级和建议措施。
39、优选地,监管平台还配置为在接收到求救信号后,获取遇险位置信息、实时气象水文数据和可用救援资源信息,运行多目标救援调度算法,输出最优救援方案并发送调度指令;多目标救援调度算法采用快速非支配排序遗传算法nsga-ii进行求解,nsga-ii以二进制向量作为个体编码,其中表示第r个可用救援单元是否被派遣,r为可用救援单元总数;
40、适应度计算时,对于每个个体,确定被派遣救援单元集合,计算救援总时间:
41、;
42、;
43、其中,为第r个救援单元到遇险位置的距离,为第r个救援单元的平均速度;计算路径风险指数:
44、;
45、其中、、分别为派遣至救援路径上的第r个救援单元遭遇的风速、浪高和涌流,为预设权重系数;
46、经种群初始化、非支配排序、拥挤度计算、选择、交叉和变异操作迭代后生成pareto最优前沿,并从所述pareto前沿中选取与理想点(0,0)欧氏距离最小的解作为最优救援方案,输出派遣指令至对应的救援单元。
47、优选地,nsga-ii求解救援调度的具体流程为:
48、初始化种群大小为np=100的个体,每个个体为长度为r的二进制编码,随机生成,同时保证至少一个救援单元被派遣;
49、计算每个个体的两个适应度值:救援总时间和路径风险指数,距离采用海上经纬度球面距离,平均速度依据救援单元类型设置;
50、非支配排序:依据目标函数值将种群划分为不同非支配层级,层级1表示完全不受其他个体支配;
51、拥挤度计算:对同一非支配层内的个体按每个目标分别排序,边界个体赋予无穷大拥挤度,其余个体拥挤度为相邻个体在每个目标上距离差的总和;
52、通过比较层级和拥挤度选出父代,进行单点交叉和位翻转变异,生成子代;
53、合并父子代,再次非支配排序并截取前np个个体形成新一代;
54、重复迭代最终得到的第1级非支配解即为pareto最优前沿;
55、计算pareto前沿上各解到理想点(0,0)的欧氏距离,选取距离最小的解作为最终调度方案,其中目标函数值在进行距离计算前需分别归一化到[0,1]区间,避免量纲差异。
56、优选地,电子围栏通过船讯网获取船舶自动识别系统ais数据,对每艘船舶的轨迹点实时执行以下在线dbscan聚类步骤:
57、初始化核心点集合为空;对于每个新到达的轨迹点p,计算p与先前未标记轨迹点之间的欧氏距离;
58、若以p为圆心、预设邻域半径ε内包含的轨迹点数量不小于预设最小点数minpts,则将p标记为核心点,并依据密度相连关系扩展形成簇;
59、对于形成的任一簇,若该簇内全部轨迹点持续位于预设的非停泊区且簇内平均速度低于预设低速阈值,且以上条件的持续时间超过预设时间阈值,则将该簇对应的船只识别为异常船只,并通过场区广播和电话短信驱离;
60、船舶和人员位置监测系统还用于采集船舶活动规律。
61、优选地,在线dbscan步骤详细流程为:
62、维护一个滑动窗口,保存最近一个小时内所有船舶的未过期轨迹点;
63、对于每个新到达的轨迹点,采用haversine公式计算其与窗口内所有未标记点之间的球面距离,统计距离小于邻域半径的点数量;
64、若数量不小于minpts,则轨迹点标记为核心点,将核心点及其密度可达的未标记点归入新簇或扩展已有簇;密度相连关系通过广度优先搜索遍历;
65、对每一成簇,检查其是否满足:全部点位于预设的非停泊区多边形内、簇内平均速度低于2节、持续时间超过45分钟;若均满足,判定为异常船只,触发驱离动作;
66、滑动窗口随新数据到来而移动,超过时间窗口的轨迹点被移除,保证算法实时性和内存可控;
67、邻域半径取值0.8海里,是根据场区船舶正常航行速度和转向半径下的轨迹点间距分布统计确定的;minpts=5则有效过滤零星定位误差造成的伪簇。
68、优选地,安防系统还与集控视频监控设备和集控智能头盔关联,通过电力生产管理系统获取门禁解锁许可,并通过集控智能手环确认工作人员身份后作为解锁钥匙开启所述安防系统。
69、优选地,一种基于物联网的海上风电作业安全智能监管系统的方法,包括:
70、通过风电机组智能头盔和风机视频监控设备采集作业视频,通过风电机组智能手环采集生命体征,通过风电机组智能救生衣采集落水信号;
71、风电机组智能头盔对作业视频进行本地ai违章分析并上传数据;
72、当生命体征出现异常或接收到落水信号时,通过风电机组智能头盔向监管平台发送求救信号;
73、监管平台接收求救信号后,生成最优救援方案并发送调度指令;
74、通过水文监测设备采集气象水文数据并通过第二物联网路由上传,通过升压站智能头盔从网络获取预警信息并向作业人员播报;
75、通过电子围栏捕获异常船只并驱离;
76、安防系统基于电力生产管理系统获取的门禁解锁许可和集控智能手环识别的人员身份控制安防系统开启。
77、进一步地,本地ai违章分析包括:对每帧图像进行违章识别并输出违章置信度;若置信度大于或等于第一置信度阈值则自动记录违章并提示终止,若置信度小于或等于第二置信度阈值则忽略,若介于两者之间则通过智能头盔请求人工确认,接收确认标签后,利用所获得的样本对违章识别模型进行增量更新。
78、进一步地,增量更新采用弹性权重巩固ewc算法,损失函数为:
79、;
80、其中,表示总损失,表示新样本的交叉熵损失,表示模型参数,表示更新前的模型参数,表示参数重要性矩阵的对角元素,表示正则化强度系数。
81、进一步地,风电机组智能手环采集心率和体温时间序列,所述风电机组智能头盔运行长短期记忆网络lstm模型进行预测;所述lstm模型按以下步骤处理每个时间步:
82、计算遗忘门输出:
83、;
84、计算输入门输出:
85、;
86、计算输出门输出:
87、;
88、计算候选记忆单元:
89、;
90、计算更新记忆单元:
91、;
92、计算隐藏状态:
93、;
94、将最后一个时间步的隐藏状态经全连接层映射得到预测的未来生理指标值,并在任一预测指标超出预设安全区间时发出健康风险预警;
95、其中,为第t个时间步输入的特征向量,为第t个时间步的隐藏状态向量,为第t个时间步的记忆单元状态向量,、、、为权重矩阵,、、、为偏置向量,为sigmoid激活函数。
96、进一步地,所述风机视频监控设备记录正常运行图像,利用卷积自编码器对实时图像进行重构,重构误差采用均方误差计算:
97、;
98、其中,e表示重构误差,n表示图像像素数量,表示输入图像的第j个像素值,表示重构图像的第j个像素值;动态阈值设定为:
99、;
100、其中为正常样本重构误差的均值,为正常样本重构误差的标准差,c为预设系数。
101、进一步地,所述生成最优救援方案包括:采用快速非支配排序遗传算法nsga-ii,nsga-ii以二进制向量作为个体编码,其中表示第r个可用救援单元是否被派遣,r为可用救援单元总数;
102、适应度计算时,对于每个个体,确定被派遣救援单元集合,计算救援总时间:
103、;
104、;
105、其中,为第r个救援单元到遇险位置的距离,为第r个救援单元的平均速度;计算路径风险指数:
106、;
107、其中、、分别为派遣至救援路径上的第r个救援单元遭遇的风速、浪高和涌流,为预设权重系数;经种群初始化、非支配排序、拥挤度计算、选择、交叉和变异操作迭代后生成pareto最优前沿,并从所述pareto前沿中选取与理想点(0,0)欧氏距离最小的解作为最优救援方案,输出派遣指令至对应的救援单元。
108、优选地,还包括一种计算机设备,包括存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行所述的基于物联网的海上风电作业安全智能监管方法。
109、优选地,还包括一种计算机可读存储介质,计算机可读存储介质上存储有计算机指令,计算机指令用于使计算机执行所述的海上风电作业安全智能监管方法。
110、本发明提供的一种基于物联网的海上风电作业安全智能监管平台及监管方法的有益效果如下:
111、1,本发明通过在风电机组智能头盔中集成ai违章分析装置,并设计基于违章置信度阈值的主动学习和弹性权重巩固ewc增量学习机制,实现了在边缘端对违章识别模型的持续在线优化。当识别置信度处于不确定区间时,直接请求作业人员现场确认,并将确认样本结合ewc损失函数进行模型更新,在适应新场景的同时保留对历史任务的重要参数约束,避免了灾难性遗忘。随着现场反馈样本的不断丰富,违章识别的准确度与鲁棒性得以持续提升,有效克服了现有技术中深度学习模型因部署后无法适应海上环境变化而导致的性能衰减、误报漏报率升高的缺陷。。
112、2,本发明通过智能手环的多体征采集与智能头盔内置的lstm时序预测模型相结合,实现了对人员生命体征未来趋势的提前感知。当预测指标有超出安全区间的风险时,可在异常发生前向作业人员及监管中心发出预警,将被动报警转变为主动预防,尤其适用于中暑等渐进性健康风险;智能救生衣在落水瞬间自动充气并通过智能头盔的北斗定位发送求救信号,触发直升机救援准备,形成了从落水检测、精准定位到应急调度的秒级响应闭环。这些手段解决了现有技术仅依靠固定阈值报警而无法预测、落水响应延迟严重及定位不精确的问题,大幅提升了人员生命安全防护水平。
113、3,本发明在平台层集成了基于nsga-ii的多目标救援调度算法,将救援总时间和路径风险指数作为优化目标,通过对派遣方案编码、种群进化与pareto前沿择优,自动生成兼顾快速性和安全性的调度指令,并动态融合实时风速、浪高、涌流等环境风险因子,避免了单纯依赖人工经验决策的盲目性。同时,海上风电场区监管模块采用dbscan密度聚类算法对ais轨迹进行在线异常检测,自动捕获在非停泊区长时间低速徘徊的异常船只簇,触发驱离广播和短信通知,显著提升了场区水面安全管控的自动化与精准度。该方案有效解决了现有技术中救援调度手段单一、船舶异常识别依赖人工规则且效率低下的缺陷。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com